《Geoenergy Science and Engineering》：Pore structure and permeability characteristics of geotechnical materials based on multidirectional multi-threshold segmentation method
编辑推荐：
数字岩石技术对揭示地质材料孔隙结构及预测渗透率至关重要。本研究提出多维多阈值分割算法，基于2D SEM图像分析砂岩、 bentonite和煤的孔隙特征，对比SE与BSE模式，验证算法在粗糙表面和非均匀光照下的鲁棒性，结果表明该方法有效区分孔隙与基质，降低过分割现象，为深地质存储提供可靠结构分析基础。
Hongyang Ni|Jiangfeng Liu|Shijia Ma|Changdong Ding|Jiale Guo
中国矿业大学机械与土木工程学院智能建造与深部地下工程健康运维国家重点实验室，中国徐州221116
摘要
数字岩石技术对于揭示原位孔隙结构及预测渗透性等特性至关重要，已成为处理地下岩土工程的重要工具。本研究提出了一种多方向多阈值分割算法，用于数字图像处理，以探索孔隙结构和渗透特性。所有分析均基于二维（2D）扫描电子显微镜（SEM）图像。选择了三种具有代表性的岩土材料——致密砂岩、膨润土和煤——在二次电子（SE）模式下进行分析，并进一步使用SE和背散射电子（BSE）图像对黄砂岩进行交叉模式比较。通过分析多方向多阈值变化的梯度来区分孔隙和基体。结果表明，该多阈值分割算法能够有效识别不同岩土材料中的孔隙，尤其是在复杂结构和高孔隙率的情况下。使用不同分割方法对孔隙率、孔隙尺寸分布和渗透性进行比较分析，进一步验证了该算法的有效性。此外，在比较BSE和SE模式图像获得的孔隙结构特征时，BSE模式图像在采用多种分割方法时更为准确，而SE模式图像则更受益于预处理增强。在更严格的算法处理下，虽然孔隙尺寸分布特征与现有算法相比差异不大，但进一步考虑孔隙率最终会导致更大的渗透性差异。研究结果表明，所提出的分割方法能够有效捕捉不同孔隙率水平材料的孔隙结构，为深部地质储存应用的渗透性预测和结构分析提供了可靠的基础。
引言
数字图像技术已成为研究岩土材料结构特性的关键技术（Lai等人，2018；Wang等人，2019；Wang和Sun，2021），用于表征其渗流特性（Bonnie和Fens，1992；Ni等人，2021b；Ramandi等人，2017；Wang和Zai，2023）以及揭示岩土材料特性的变化机制（He等人，2016；Li等人，2023；Prior等人，1999）。该技术已广泛应用于放射性废物储存、二氧化碳封存和地质资源开采等领域（Fu等人，2023；Liu等人，2025；Ni等人，2023；Yalamanchi和Datta Gupta，2024）。
为了有效量化材料各部分的结构及后续的渗流特性，需要在获取数字图像后将孔隙部分与基体部分分离，即需要对图像进行二值化处理。图像分割是将图像中的像素划分为不同区域或对象的过程。迄今为止，已经提出了许多分割方法（Chowdhury和Little，1995；Kaur和Kaur，2011；Pal和Bhandari，1993；Salzer等人，2012；Sezgin和Sankur，2004）。其中，阈值分割是最简单且应用最广泛的方法之一（Sahoo等人，1988）。
已经开发出多种方法来确定合理的阈值。这些方法可分为两类：全局阈值分割方法和局部阈值分割方法（Goh等人，2018；Zhang等人，2024）。全局阈值分割方法通过整体图像信息确定一个固定阈值，然后将该图像的灰度与阈值进行比较以获得二值化图像。局部阈值分割方法为局部区域获取特定阈值，属于多阈值分割算法（Solihin和Leedham，2000）。由于这些方法的重点不同，它们需要从图像中提取不同的信息，包括灰度直方图、聚类、熵等（Chang等人，1994；Manjula，2017；Raju和Neelima，2012）。
上述阈值分割方法已在多种场景中得到应用，并帮助我们理解了图像特征。然而，岩土材料的数字图像通常具有复杂的孔隙结构和不均匀的表面形态，导致不同区域的基体和孔隙灰度分布存在重叠（Nole等人，2016；Saif等人，2017），这给图像分割带来了挑战（Song等人，2020）。传统的图像分割方法往往效果不佳。经过比较研究，Yen算法在一系列预处理后能够更有效地分割岩土材料的数字图像（Ni等人，2021a；Song等人，2019）。然而，这是一种最大化熵信息总量的方法。在预处理过程中，需要区分图像的前背景和后背景以辅助分割。在表面粗糙的情况下，这一条件难以实现，从而导致分割效果较差。近年来，基于深度学习的图像分割方法（如卷积神经网络（CNN）和U-Net变体）也被引入用于结构特征提取（Gupta等人，2024；Karimpouli和Tahmasebi，2019；Liu等人，2024；Minaee等人，2021）。然而，这些模型通常需要大量标注的数据集和丰富的计算资源，且其决策过程往往难以解释（Shan等人，2024；Ye等人，2025）。与传统的数据驱动方法相比，传统算法更具透明度和轻量级，这激发了本研究改进其在岩土图像上的适应性和鲁棒性的动力。
为了解决岩土材料的特性问题，研究人员开始使用新的图像分割算法来提高分割的准确性和稳定性。Song等人（2020）和Liu等人（2020）指出了灰度梯度分布对岩土材料表面结构表征的关键影响，并从这一角度提出了相应的分割算法。其思想是通过不同方式获得确定性阈值，以实现岩土材料数字图像的二值化分割。然而，从整体上看，实际孔隙和基体部分之间的灰度区间存在重叠，全局分割方法的准确性受到重叠区间大小的影响，即受到岩土材料本身不同区域表面粗糙度的影响。
为了准确区分孔隙和基体并实现可靠的渗透性预测，本研究开发并评估了一种用于岩土材料数字图像处理的多方向多阈值分割算法。选择了具有不同孔隙和颗粒结构的岩材料进行分析，并使用它们的二次电子（SE模式）和背散射电子（BSE模式）SEM图像来评估和验证算法在不同条件下的分割性能。此外，还将所提出的算法与常用的全局阈值方法进行了比较，以进一步确认其优越性。因此，本研究旨在实现三个可测试的目标：（1）评估所提出算法在粗糙表面和非均匀光照条件下的鲁棒性；（2）验证SE和BSE模式图像分割结果的稳定性和一致性；（3）证明该算法在低对比度区域减少过度分割的能力。
部分摘录
材料制备和预处理
不同的岩土材料具有不同的孔隙结构和颗粒大小，这会影响SEM成像效果。因此，选择了三种岩土材料（包括Xu等人（2021）的致密砂岩、膨润土和煤）来验证算法的分割性能。此外，SEM可以分为两种模式：SE模式和BSE模式，这两种模式提供的图像信息
拓扑形态表征
图2显示了三种岩土材料的原始SEM图像，以及相应的灰度图像。如上所述，我们的目标是比较研究预处理过程对分割的影响。这里直接对原始图像进行了分割，如图3、图4、图5所示。为了清晰起见，一张SEM显微照片对应一个完整的视场（FOV），本研究对每种材料分析了一个FOV。
结论
本研究提出了一种基于多方向多阈值分割算法的方法，用于分割各种岩土材料的数字图像以提取孔隙结构。通过比较分析孔隙结构统计数据和渗透性相关指标，评估了该算法的性能，显示出相对于常用的全局阈值方法，分割稳定性得到提高，孔隙-基体分离的过度分割现象减少。与其他常用方法相比
CRediT作者贡献声明
Hongyang Ni：撰写——原始草案、方法论、形式分析、概念化。JiangFeng LIU：撰写——审稿与编辑、资金获取、形式分析。Shijia Ma：可视化、调查。Changdong Ding：资源、调查。Jiale Guo：数据管理
利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
作者感谢国家自然科学基金（编号：52304163、52474155）、国家创新人才博士后计划（BX20230413）、中国博士后科学基金（2023M743782）、江苏省自然科学基金（SBK2024010085）以及中央高校基本科研业务费（中国矿业大学）（2023ZDPY11）的支持。作者还特别感谢江苏省的相关支持
